MES-Daten auswerten statt nur speichern: Produktion mit KI steuern

Das Problem: Daten sammeln, aber nicht nutzen

In den meisten mittelständischen Fertigungsbetrieben laufen MES-Systeme (Manufacturing Execution System) seit Jahren. Sie sammeln Maschinenzustände, Taktzeiten, Ausschussquoten und Temperaturverläufe. Die Daten landen in Datenbanken, manchmal in Excel-Exporten, manchmal in proprietären Oberflächen. Genutzt wird davon fast nichts.

Die Folge: Wartungsfenster werden starr geplant, Engpässe erkennen Sie erst im Wochenbericht, und ob eine Charge wirklich Spezifikation erfüllt, wissen Sie erst nach dem Labor. Das kostet Zeit, Material und Kundenzufriedenheit.

Dieser Artikel zeigt, wie Sie aus passiven MES-Daten eine aktive Produktionssteuerung bauen. Konkret: Wie Sie Maschinensignale in Echtzeit auswerten, Schwellwerte definieren, automatische Eingriffe auslösen und dabei keine Cloud-Plattform benötigen, die Ihre Daten in Drittländer schickt.

Was MES-Daten wirklich enthalten

Ein typisches MES speichert pro Maschine oder Fertigungslinie:

• Zustandssignale: läuft, steht, Störung, Wartung, Rüsten
• Prozessparameter: Druck, Temperatur, Drehzahl, Durchfluss
• Taktdaten: Start, Ende, Zykluszeit, Stückzahl
• Qualitätskennzahlen: Ausschuss, Nacharbeit, Messabweichungen
• Materialfluss: welche Charge auf welcher Maschine, Rückverfolgbarkeit

Diese Daten liegen meist in relationalen Datenbanken (SQL Server, PostgreSQL) oder werden per OPC UA (Open Platform Communications Unified Architecture) in Echtzeit bereitgestellt. OPC UA ist ein offener Standard für Maschinen-zu-Maschinen-Kommunikation und in der Industrie weit verbreitet.

Warum klassische Dashboards nicht reichen

Viele Betriebe bauen Dashboards in Power BI oder Grafana. Das ist ein Fortschritt, löst aber zwei Kernprobleme nicht:

1. Reaktionszeit: Ein Dashboard zeigt die Vergangenheit. Bis jemand hinschaut, ist die Störung eingetreten.
2. Handlungslogik: Das Dashboard sagt nicht, was zu tun ist. Es fehlt die Verbindung zwischen Messwert und Aktion.

Produktionssteuerung mit KI bedeutet: Sie definieren Regeln und Schwellwerte, die Pipeline prüft sie kontinuierlich, und bei Überschreitung löst das System automatisch eine Aktion aus. Das kann eine Benachrichtigung sein, ein Ticket in der Instandhaltung oder ein direkter Steuerbefehl an die Maschine.

Schritt 1: Datenquelle anbinden

Die meisten MES-Systeme bieten eine von drei Schnittstellen:

• REST-API: Sie fragen per HTTP-Request aktuelle Werte oder Zeitreihen ab.
• OPC UA: Sie abonnieren Datenknoten und erhalten Änderungen in Echtzeit.
• Datenbankzugriff: Sie lesen direkt aus der MES-Datenbank (meist SQL Server).

Für eine Pipeline empfehle ich OPC UA, wenn das MES es unterstützt. Grund: geringe Latenz, standardisiert, keine Polling-Last. Falls nicht verfügbar, bauen Sie einen Cron-Job, der alle 60 bis 300 Sekunden per API oder SQL die relevanten Tabellen abfragt.

Werkzeug: Ein selbst gehosteter n8n-Workflow auf einem Linux-Server (z. B. Ubuntu 22.04 LTS) in Ihrem Rechenzentrum oder bei einem deutschen Hoster (Hetzner, IONOS). n8n bietet einen HTTP-Request-Node, einen PostgreSQL-Node und über Community-Nodes auch OPC-UA-Unterstützung.

Schritt 2: Schwellwerte und Regeln definieren

Beispiel aus einem Kunststoff-Spritzgussbetrieb:

• Maschinensignal: Zykluszeit steigt um mehr als 8 Prozent über den gleitenden Mittelwert der letzten 50 Zyklen.
• Aktion: Benachrichtigung an Schichtleiter und automatisches Ticket in CMMS (Computerized Maintenance Management System).

Beispiel aus einer CNC-Fertigung:

• Maschinensignal: Spindeltemperatur über 75 Grad Celsius für länger als 120 Sekunden.
• Aktion: Maschine in Pause setzen, Kühlmittelstand prüfen lassen.

Sie modellieren diese Regeln in der Pipeline als Bedingungen (If-Node in n8n). Jede Regel besteht aus:

1. Trigger: Welches Signal, welcher Schwellwert?
2. Kontext: Gilt die Regel immer, oder nur für bestimmte Chargen, Schichten, Materialien?
3. Aktion: Benachrichtigung (E-Mail, Teams, SMS), Ticket, Steuerbefehl, Eintrag in Log-Datenbank.

Wichtig: Schwellwerte nicht statisch setzen. Berechnen Sie gleitende Mittelwerte oder Perzentile über die letzten N Datenpunkte. Das verhindert Fehlalarme bei normalen Schwankungen.

Schritt 3: Aktionen automatisch auslösen

Sobald eine Regel greift, muss die Pipeline handeln. Typische Aktionen:

• Benachrichtigung: Webhook an Microsoft Teams, E-Mail via SMTP, SMS via Twilio oder lokalem Gateway.
• Ticket erstellen: POST-Request an Ihr CMMS (z. B. Instandhaltungssoftware wie Wartungsplaner oder SAP PM).
• Datenbank-Eintrag: Ereignis mit Zeitstempel, Maschinen-ID, Schwellwert und Messwert in PostgreSQL schreiben.
• Steuerbefehl: OPC-UA-Write oder Modbus-TCP-Befehl an die Maschine (z. B. Pause, Drehzahl reduzieren). Achtung: Solche Eingriffe nur nach Risikoanalyse und Freigabe durch die Instandhaltung.

Alle Aktionen loggen Sie in einer Audit-Tabelle mit User-ID (in diesem Fall System-ID), Zeitstempel, Aktion und Kontext. Das ist DSGVO-konform und erfüllt die Anforderungen aus ISO 9001 und IATF 16949.

Schritt 4: Feedback-Loop und kontinuierliche Verbesserung

Nach zwei bis vier Wochen Livebetrieb analysieren Sie die Logs:

• Wie viele Alarme wurden ausgelöst?
• Wie viele davon waren echte Probleme?
• Wie viele Probleme wurden übersehen (False Negatives)?

Typische Erkenntnis: Schwellwerte sind zu eng (zu viele Fehlalarme) oder zu weit (zu späte Warnung). Passen Sie die Perzentile oder Zeitfenster an. Beispiel: Statt 8 Prozent Abweichung nehmen Sie 12 Prozent, dafür über nur 30 statt 50 Zyklen.

Dieser Feedback-Loop ist kein einmaliges Tuning, sondern läuft quartalsweise. Produktionsbedingungen ändern sich: neue Materialien, andere Losgrößen, Maschinenverschleiß.

Was nicht funktioniert

KI-Modelle ohne Domänenwissen trainieren: Sie können theoretisch ein neuronales Netz auf Ihre MES-Daten loslassen und hoffen, dass es Anomalien erkennt. In der Praxis brauchen Sie dafür Tausende gelabelte Störfälle, die Sie nicht haben. Regel-basierte Schwellwerte plus gleitende Statistik liefern schneller Ergebnisse.

Alles in die Cloud schieben: Viele Anbieter versprechen “KI-gestützte Produktionsoptimierung” in ihrer SaaS-Plattform. Problem: Ihre Maschinendaten sind Betriebsgeheimnis. Transfer in US-Clouds ist DSGVO-kritisch und oft vom Kunden untersagt (insbesondere Automotive). Self-Hosted auf eigener Infrastruktur ist der Standard im deutschen Mittelstand.

Einmalige Konfiguration: Schwellwerte sind keine Naturkonstanten. Wer nach dem ersten Setup nie wieder nachjustiert, bekommt entweder Alarm-Fatigue oder verpasst echte Probleme.

Realistische Ergebnisse nach 90 Tagen

Ein mittelständischer Zulieferer mit vier CNC-Bearbeitungszentren und einem MES von Proxia hat nach drei Monaten folgende Kennzahlen gemessen:

• Ungeplante Stillstandszeit um 22 Prozent reduziert (von durchschnittlich 140 auf 109 Minuten pro Woche).
• Anzahl Notfall-Einsätze der Instandhaltung von 11 auf 4 pro Monat gesunken.
• Reaktionszeit auf Temperatur-Anomalien von durchschnittlich 45 Minuten auf unter 3 Minuten verkürzt.

Investition: 18 Stunden Ingenieursarbeit für Pipeline-Setup und Regel-Definition, 4 Stunden pro Quartal für Schwellwert-Tuning, Server-Kosten 80 Euro pro Monat (VM bei Hetzner, 8 vCPU, 16 GB RAM, n8n self-hosted).

Technische Details: Beispiel-Pipeline in n8n

1. Cron-Trigger: alle 5 Minuten
2. PostgreSQL-Node: SELECT der letzten 100 Zyklen für jede Maschine
3. Function-Node (JavaScript): Berechnung gleitender Mittelwert, Standardabweichung, aktuelle Abweichung
4. If-Node: Abweichung > 12 Prozent?
5. HTTP-Request-Node: POST an CMMS-API, Body JSON mit Maschinen-ID, Zeitstempel, Messwert
6. PostgreSQL-Node: INSERT in Audit-Log-Tabelle
7. Webhook-Node: Nachricht an Microsoft Teams-Kanal “Produktion Alarme”

Laufzeit pro Durchlauf: 800 bis 1200 Millisekunden für vier Maschinen. CPU-Last auf dem Server unter 5 Prozent.

Datenschutz und Compliance

MES-Daten enthalten in der Regel keine personenbezogenen Daten (Maschinen-ID, Messwerte, Chargen-Nummern). Falls doch (z. B. Bediener-Login), greifen die üblichen DSGVO-Pflichten: Verarbeitungsverzeichnis, Rechtsgrundlage (berechtigtes Interesse gem. Art. 6 Abs. 1 lit. f DSGVO), Löschkonzept.

Audit-Logs mit System-Aktionen müssen Sie mindestens so lange aufbewahren, wie es Ihre Qualitätsmanagement-Norm vorschreibt (oft 10 Jahre in der Automobilindustrie). Speichern Sie sie in einer separaten Datenbank mit Backup und Zugriffskontrolle.

Wann sich der Aufwand lohnt

Faustregel: Wenn ungeplante Stillstände Sie mehr als 4000 Euro pro Monat kosten (Ausfall, Eilbestellungen, Kundenverzug), rechnet sich eine automatisierte Auswertung bereits im ersten Quartal.

Wenn Sie aktuell keine MES-Daten erfassen, lohnt sich meist erst der Aufbau einer Datenerfassung, bevor Sie automatisieren. Das ist ein eigenes Projekt (Sensorik, Retrofitting alter Maschinen, OPC-UA-Gateway). Für Neuanlagen ab Baujahr 2018 ist OPC UA meist bereits vorhanden.

Nächste Schritte

Prüfen Sie, welche Schnittstellen Ihr MES bietet, und lassen Sie sich von Ihrem Anbieter ein Beispiel-Dataset exportieren (CSV oder API-Testaccount). Definieren Sie dann drei konkrete Regeln, die Sie zuerst automatisieren wollen. Starten Sie mit Benachrichtigungen, bevor Sie Steuereingriffe bauen.

Falls Sie Unterstützung bei der Pipeline-Architektur, der Schwellwert-Berechnung oder der Anbindung an Ihr CMMS brauchen, sprechen Sie uns an.

Sprechen Sie mit uns

Sie möchten das in Ihrem Betrieb umsetzen? Wir bauen die passende Maschine mit Ihnen.

Telefon: 040 468 967 680
E-Mail: info@whitefox-automations.com
Oder über unser Kontaktformular.